Journals / Bilgi ve İletişim Teknolojileri Dergisi / 2025 / Cilt: 7 Sayı: 2

Analysis of User Preferences for Images Created with Generative Artificial Intelligence Tools Using Eye Tracking Methodology

Üretken Yapay Zekâ Araçları ile Oluşturulan Görsellere Yönelik Kullanıcı Tercihlerinin Göz İzleme Yöntemi ile Analizi

Betül Sirkeci(BARTIN ÜNİVERSİTESİ)0009-0002-6990-4940
Buse Nur Gürcemal(BARTIN ÜNİVERSİTESİ, LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ, BİLGİSAYAR TEKNOLOJİSİ VE BİLİŞİM SİSTEMLERİ (YL) (TEZLİ))0009-0000-1004-5251
Ebru Ataman(BARTIN ÜNİVERSİTESİ, LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ, BİLGİSAYAR TEKNOLOJİSİ VE BİLİŞİM SİSTEMLERİ (YL) (TEZLİ))0009-0004-6760-210X
Şenay Güngör(BARTIN ÜNİVERSİTESİ, LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ, BİLGİSAYAR TEKNOLOJİSİ VE BİLİŞİM SİSTEMLERİ (YL) (TEZLİ))0009-0002-7166-2020
Mehmet İncealan(BARTIN ÜNİVERSİTESİ, LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ, BİLGİSAYAR TEKNOLOJİSİ VE BİLİŞİM SİSTEMLERİ (YL) (TEZLİ))0009-0003-6277-1011
Mustafa Itir(BARTIN ÜNİVERSİTESİ, LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ, BİLGİSAYAR TEKNOLOJİSİ VE BİLİŞİM SİSTEMLERİ (YL) (TEZLİ))0009-0008-4502-1821
Pages
151–179
Publication Date
2025-12-31
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

In conclusion, visual complexity expands attention dispersion, while aesthetic qualities and visual simplicity were identified as the primary factors influencing both attention and user preference.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:This study aims to examine the effect of images generated by generative artificial intelligence tools on user attention distribution and the role of visual detail density.
📊
Key Findings & Data:A mixed-method research design was used in the study, with an eye-tracking device (Tobii Pro Nano) used to record participants' eye movements and a questionnaire used to evaluate their visual perceptions.
💡
Conclusion & Impact:In conclusion, visual complexity expands attention dispersion, while aesthetic qualities and visual simplicity were identified as the primary factors influencing both attention and user preference.
🔬Design:Survey & Empirical Study
📍Scope:Comprehensive Sample
⚙️Variables:Üretken Yapay Zeka · Göz İzleme · Görsel Algı

Abstract

This study aims to examine the effect of images generated by generative artificial intelligence tools on user attention distribution and the role of visual detail density. A mixed-method research design was used in the study, with an eye-tracking device (Tobii Pro Nano) used to record participants' eye movements and a questionnaire used to evaluate their visual perceptions. Ten students from Bartın University who had previously taken a graphic design course participated in the study. For the research, five different AI tools—Gemini, ChatGPT, Copilot, Flux, and Grok—were used to create images at easy, medium, and difficult levels. The findings showed that participants directed their gaze primarily to the eyes, nose, and mouth areas in facial images. However, complex details such as hair and background elements diverted attention away from the face. According to survey results, visually strong and color-coordinated images (such as those created by Grok and Gemini) were more highly appreciated. In conclusion, visual complexity expands attention dispersion, while aesthetic qualities and visual simplicity were identified as the primary factors influencing both attention and user preference.

Özet

Bu araştırma, üretken yapay zeka araçları tarafından üretilen görsellerin kullanıcı dikkat dağılımı üzerindeki etkisini ve görsel detay yoğunluğunun rolünü incelemeyi amaçlamıştır. Çalışmada karma yöntem araştırma deseni kullanılmış olup, katılımcıların göz hareketlerini kaydetmek için göz izleme cihazı (Tobii Pro Nano) ve görsel algılarını değerlendirmek için anket formu kullanılmıştır. Bartın Üniversitesi'nden daha önce grafik tasarım dersi almış 10 öğrenci katılımcı olarak yer almıştır. Araştırma için Gemini, ChatGPT, Copilot, Flux ve Grok olmak üzere beş farklı yapay zeka aracıyla kolay, orta ve zor düzeylerde görseller oluşturulmuştur. Bulgular, katılımcıların yüz görsellerinde bakışlarını ağırlıklı olarak gözler, burun ve ağız bölgelerine yönlendirdiğini göstermiştir. Ancak, saç gibi karmaşık detaylar ve arka plan unsurları, dikkat dağılımını yüzün dışına taşırmıştır. Anket sonuçlarına göre estetik açıdan güçlü ve renk uyumu yüksek görseller (Grok ve Gemini gibi) daha çok beğenilmiştir. Sonuç olarak, görsel karmaşıklık dikkat dağılımını genişletirken, estetik nitelikler ve görsel sadelik hem dikkati hem de kullanıcı beğenisini etkileyen temel faktörler olarak belirlenmiştir

🔖

Cite This Article

Sirkeci, B., Gürcemal, B. N., Ataman, E., Güngör, Ş., İncealan, M., Itir, M. (2025). Analysis of User Preferences for Images Created with Generative Artificial Intelligence Tools Using Eye Tracking Methodology. Bilgi ve İletişim Teknolojileri Dergisi, Cilt: 7 Sayı: 2, 151–179. https://doi.org/10.53694/bited.1711788

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (17)

  1. Atilla, A.Ş. (2022). Uygulamalı örneklerle yapay zeka algoritmaları ve programlama. (1.Baskı). Ankara: Seçkin Yayıncılık.
  2. Creswell, J. W., & Plano Clark, V. L. (2014). Karma yöntem araştırmaları: Tasarımı ve yürütülmesi. (5.Baskı). Ankara: Anı Yayıncılık.
  3. Çelik, E. & Dertli, A. (2022). Göz izleme cihazlarının etkili ve verimli kullanım durumları. (1.Baskı). Ankara: Astana Yayıncılık.
  4. Çetinkaya, H. (2005). Biyo- psiko-sosyal araştırmalarda yeni bir yöntem göz izleme cihazı. Muğla: Muğla Üniversitesi Yayınları.
  5. Demirkol, Z. (2022). Herkes için yapay zeka. İstanbul: Genç Destek Yayınları.
  6. Elmas, Ç. (2018). Yapay zeka uygulamaları. Ankara: Seçkin Yayıncılık.
  7. Erdoğan, R., Düzenli Çil, B., Şen, H., & Karaoğlan Yılmaz, F. G. (2022). Covid-19 aşısı hakkında T.C. Sağlık Bakanlığı tarafından yayınlanan bilgilendirici videoların göz izleme tekniği ile incelenmesi. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 6(1), 165–183.
  8. Fedakar, A. (2024). Üretken yapay zekanın mimari tasarım süreçlerine etkisi: Konut cephelerinin görselleştirilmesi bağlamında nitel bir değerlendirme (Yüksek Lisans Tezi). Eskişehir Teknik Üniversitesi. Eskişehir.
  9. Huang, J., Gopalakrishnan, S., Mittal, T., Zuena, J., & Pytlarz, J. (2024). Analysis of human perception in distinguishing real and ai-generated faces: an eye-tracking based study. arXiv preprint arXiv:2409.15498.
  10. Karapekmez, A. V. (2023). Yapay zekânın Görsel sanatlara etkisi: Yapay zekâ ile üretilen Atatürk portrelerinin içerik analizi. Yeni Yüzyıl'da İletişim Çalışmaları, 2(8), 184-189.
  11. Koyun, S. (2024). Erken mimari tasarım sürecinde görsel üretken yapay zeka uygulamalarında girdi- çıktı ilişkisinin değerlendirilmesi (Yüksek Lisans Tezi). Yıldız Teknik Üniversitesi. İstanbul.
  12. Nabiyev, V. (2010). Yapay zeka insan-bilgisayar etkileşimi. (3. Baskı). Ankara: Seçkin Yayıncılık.
  13. Özsongür, M.Z. (2024). Sınıf öğretmenlerinin eğitimde üretken yapay zeka kullanımına ilişkin görüşleri. (Yüksek Lisans Tezi). Burdur Mehmet Akif Ersoy Üniversitesi. Burdur.
  14. Sağlam, Z., & Karaoğlan Yılmaz, G. (2021). Eğitim araştırmalarında göz izleme: Araştırmalardaki eğilimlerin belirlenmesi Bartın: GEFAD / GUJGEF41(3): 1621-1649(2021)
  15. Stryker, C., & Scapicchio, M. (2024). What is genarative AI?. Retrived from. https://www.ibm.com/topics/generative-ai
  16. Telli, G. (2019). Yapay zeka ve gelecek. içinde Kutlusoy, Z., Demir, O., Adın, A., Cevizoğlu, H., Esin, E.M., Telli, G.(Ed.), Altun, D., Karaca, B., Yazıcı, A.M., Özgeldi, M. İstanbul. Doğu.
  17. Yakut, R. E., & Küçükerdoğan, B. B. (2024). Metaverse platformundaki giyim markası reklam görsellerinin yapay zeka tabanlı göz izleme yöntemi ile analizi. Kahramanmaraş İstiklal Üniversitesi Sosyal Bilimler Dergisi, 2(2), 69-85.